得利于深度学习的发展与大规模训练数据的积累,最近几年人脸识别技术取得了巨大的成功。其中,传统的二维人脸识别技术通过对人脸的纹理数据进行特征表达,并通过判断特征间的相似度对人脸进行身份确认。人脸姿态、妆容,特别是环境光照对获取到的二维纹理信息有着较大的影响,进而影响二维人脸识别算法的识别性能,也限制了二维人脸识别系统的应用场景。三维人脸识别技术使用人脸的三维深度信息对人脸身份进行鉴别。这使得三维人脸识别的方法可以很好地规避二维人脸识别的上述缺点。如何快速准确地对人脸数据进行三维重建,同时完成对三维人脸识别算法模型进行有效约束优化是三维人脸识别技术及其应用亟待解决的问题。本文面向人脸的三维重建,针对门禁类应用场景构建高精度高防伪三维人脸识别算法进行了系统的研究。本文的主要工作和创新点包括:1.设计实现了基于条纹结构光的三维人脸重建算法以及与之对应的三维人脸照相机系统。在人脸识别系统的应用过程中二维人脸技术极易受到环境光照、人脸姿态等客观因素的影响,导致识别性能下降。仅使用人脸深度信息的三维人脸识别技术可以很好地规避二维人脸识别的这些劣势。快速准确地获取三维人脸数据是三维人脸识别的前提。高速高精度三维人脸照相机能够为三维人脸识别技术与应用提供数据基础;2.人脸识别应用中,人脸误识问题就是样本特征的类内距离大于类间距离的问题。为了最大限度地减小类内距离,降低人脸识别误识概率,提出了Improve-Center人脸识别监督方法。该方法基于每个身份的人脸样本形成的特征子空间,通过增加子空间外层样本对模型优化的贡献,最小化类内样本之间的特征距离,提升算法的识别性能。3.传统的人脸识别算法通过样本对的方式组织训练数据。这样,模型的优化过程中仅仅利用很小部分的相关信息对模型进行优化。这种过于局部化的监督信息可能导致类内特征分布不均衡,类内样本中不同特征之间的相似度差异较大。基于所有类内样本特征组成的特征子空间形成的空间中心,提出的Cosmos-Loss损失函数在对模型进行优化的过程中,使用样本特征与特征中心之间的监督信息完成该样本的类内以及类间监督,提升了人脸识别性能与类内特征数据分布均衡性。4.针对门禁应用,基于Improve-Center与Cosmos-Loss两种监督函数提出了高精度高防伪三维人脸识别算法,实现了高识别率的人脸识别方法。通过对训练数据进行双向数据增广的方式提升了算法对3D打印面具的防伪能力。此外,提出了基于双目人脸防伪以及多光谱人脸防伪方法,以增强人脸识别系统的防伪能力。最后,针对佩戴口罩的特殊应用场景设计实现了口罩版人脸识别算法。